我们对开发基于DenseNet的全卷积编码器-解码器网络的场饱和度预测代理模型感兴趣,类似于深度学习中用于图像-图像回归任务的方法。在代理模型中,编码器网络自动从原始输入数据中提取多尺度特征,然后解码器网络利用这些数据在模型输出时恢复输入图像的分辨率。考虑了多种影响因素的输入,使我们的代理模型更符合物理规律,在实验中对输出场的预测取得了良好的效果。以静态储层性质(渗透率场)和动态储层性质(井位)等储层参数为输入特征,以不同时期含水饱和度分布为输出特征。与传统的油藏数值模拟计算成本高、耗时长的特点相比,该方法不仅具有与油藏数值模拟相同的精度,而且花费的时间更少。同时,还可以用于生产优化和历史匹配。
文章链接:https://doi.org/10.2118/205485-PA